Con l’enorme utilizzo di immagini satellitari, riprese da droni o con il mobile mapping, è aumentata in maniera considerevole anche la necessità di utilizzare in modo affidabile ed efficace i sistemi di intelligenza artificiale (AI – Artificial Intelligence) per automatizzare l’estrazione delle informazioni dalle immagini stesse.
I modelli di deep learning pre-trained, ovvero modelli in cui in cui la fase di “addestramento per l’apprendimento” è stata svolta a monte del loro utilizzo applicativo, elimina la necessità di utilizzare enormi volumi di “dati di training” ed enormi risorse di calcolo, nonchè riduce in maniera considerevole la necessità di avere una vasta conoscenza del funzionamento dell’intelligenza artificiale (AI).
Grazie a questi modelli “pre-trained” gli utenti possono accelerare i flussi di lavoro geospaziali con modelli pronti per l’uso o specializzati su un’area geografica specifica.
Per questo motivo Esri ha aggiunto diversi nuovi modelli alla crescente collezione del Living Atlas, rendendo il deep learning più accessibile che mai. Ricordiamo che ArcGIS Living Atlas of the World è la più importante raccolta di informazioni geografiche provenienti da tutto il mondo ed include mappe, app e molteplici livelli di dati per supportare il lavoro degli utenti.
A partire da maggio 2022, con il rilascio di 10 nuovi modelli, gli utenti possono ora scegliere tra 32 diversi modelli pre-trained da utilizzare nelle loro applicazioni. Questi modelli sono disponibili come pacchetti di deep learning (DLPK) che possono essere utilizzati con ArcGIS Pro, ArcGIS Image Server e ArcGIS API for Python.
Di seguito una breve panoramica dei nuovi modelli che sono stati aggiunti.
Classification
High Resolution Land Cover Classification—USA
Le mappe della copertura del suolo sono progettate per supportare le decisioni in materia di pianificazione urbana, gestione delle risorse, rilevamento dei cambiamenti, agricoltura e una varietà di altre applicazioni in cui sono richieste informazioni relative alla superficie terrestre.
Questo modello di deep learning pre-trained è stato progettato per classificare a una risoluzione spaziale di circa 1 metro. Gli utenti possono sfruttare questo modello per automatizzare l’oneroso processo manuale e ridurre significativamente il tempo e lo sforzo richiesti.
Mangrove Classification (Landsat 8)
Le mangrovie sono fondamentali per il mantenimento e la conservazione di ecosistemi costieri sani. Tuttavia, a causa di vari fenomeni climatici e attività costiere come le bonifiche, le foreste di mangrovie si stanno rapidamente riducendo. Questo modello garantisce il monitoraggio attivo e l’impegno di conservazione delle mangrovie. Questo modello di deep learning consente il monitoraggio rapido delle foreste di mangrovie dalle immagini Landsat 8.
Extraction
Building Footprint Extraction—Australia
Il modello ‘building footprints’ sviluppato per gli Stati Uniti è stato accolto positivamente e con grande interesse per cui è stato deciso di sviluppare un modello simile per la regione australiana. Con questo modello pre-trained, è possibile estrarre le piante degli edifici da immagini a tre bande ad alta risoluzione per l’Australia.
I layers delle piante degli edifici sono utili nella preparazione di mappe di base e flussi di lavoro di analisi per la pianificazione e lo sviluppo urbano, il rilevamento delle modifiche, la pianificazione delle infrastrutture e una varietà di altre applicazioni.
Road Extraction—Global
Poiché la digitalizzazione manuale delle strade dalle immagini può richiedere molto tempo, questo modello di deep learning è stato progettato per automatizzare il processo e ridurre il tempo e lo sforzo necessari per acquisire i livelli stradali. Questo modello può estrarre strade da immagini aeree/satellitari ad alta risoluzione (1 metro).
Detection
Arctic Seal Detection
Monitorare il numero di qualsiasi animale è importante per comprendere il suo habitat e aiuta nella sua conservazione. Le foche costituiscono una parte importante della catena alimentare nella regione della criosfera dell’Artico. Con i droni in grado di lavorare in condizioni climatiche estreme e di coprire vaste aree in un tempo minimo, le immagini dei droni ad alta risoluzione della regione artica vengono utilizzate per rilevare il numero delle foche.
Pavement Crack Detection
ai
Il deterioramento delle superfici stradali può essere causato da una qualità di realizzazione scadente, dai carichi pesanti in transito o da fattori meteorologici. Questi sono tutti elementi che influiscono negativamente sulla sicurezza stradale, sul comfort di guida e sull’usura dei veicoli.
Le autorità civiche spesso hanno bisogno di identificare con precisione queste crepe ed eseguire lavori di manutenzione. Questo modello aiuta ad automatizzare il compito di rilevare crepe e buche della pavimentazione utilizzando immagini riprese da droni al fine di consentire un migliore monitoraggio ed una migliore manutenzione delle strade.
Wind Turbine Detection
Un altro nuovo modello di rilevamento che è stato aggiunto riguarda le turbine eoliche. Con la crescente importanza delle applicazioni relative all’energia rinnovabile, c’è una rapida crescita nel numero di installazioni di turbine eoliche in tutto il mondo. Queste installazioni sono visibili nelle immagini aeree ad alta risoluzione, ma può essere oneroso analizzare e contrassegnare manualmente tutte queste installazioni. Utilizzando questo modello, è possibile automatizzare il rilevamento delle turbine eoliche interpretando immagini ad alta risoluzione.
Well Pad Detection—Permian Basin
I pozzi sono aree relativamente pianeggianti che vengono sgomberate per la perforazione e l’estrazione di petrolio e gas naturale. Questo modello pre-trained rileva i pozzi dalle immagini di Sentinel-2 e può essere utilizzato per monitorare l’avanzamento di una nuova perforazione. Può fornire informazioni sulla concorrenza e potenzialmente aiutare a identificare le perforazioni illegali. Inoltre, sapere dove sono in realizzazione i nuovi pozzi può consentire una migliore pianificazione e allocazione delle risorse.
Palm Tree Detection
Questo modello di deep learning pre-trained viene utilizzato per rilevare le palme tramite immagini ad alta risoluzione di droni o aeree. Il rilevamento delle palme può essere utilizzato per creare un inventario delle palme, monitorarne la salute e la posizione e prevedere la resa dell’olio di palma, prevenire malattie generate da parassiti, ecc.
Altro
Scene Text Parsing
L’estrazione di testo da immagini di riprese in contesti di scene naturali, come segnali stradali, cartelloni pubblicitari e numeri civici può fornire informazioni importanti al contesto e dettagli aggiuntivi grazie alle informazioni testuali e sulle informazioni che queste possono trasmette.
Questo modello pre-trained è stato preparato su un ampio set di dati di diversi tipi e stili di testo con background e contesti diversi, consentendo un’estrazione precisa del testo. Può essere applicato a varie attività come il rilevamento e la lettura automatica del testo da cartelli, mappe scansionate, ecc., convertendo così le immagini contenenti testo in dati utilizzabili.
Conclusione
Sulla base delle richieste e dei suggerimenti degli utenti, questi sono alcuni dei modelli sviluppati di recente per automatizzare e semplificare i flussi di lavoro. Disponibili su ArcGIS Living Atlas of the World, ogni modello include documentazione utile per iniziare.
Articolo originale di Akshaya Suresh, Product Marketing Manager in the Imagery & Remote Sensing team at Esri with a passion for AI and big data analytics.
(Fonte: Esri.com)
Leggi anche:
- Deep Learning applicato ad imaging e geospatial per l’analisi del territorio con ArcGIS
- Navigabili su ArcGIS Online gli open data degli aggregati strutturali della Protezione Civile
- Deep Property: dati geospaziali e intelligenza artificiale per l’analisi rischi degli immobili
- Il Machine Learning in analisi urbana e territoriale
